0,406 |
0 |
0 |
0 |
-0,156 |
-0,156 |
-0,156 |
0 |
0 |
0 |
|
0 |
0,1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0,1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
|
-0,156 |
0 |
0 |
0 |
0,406 |
-0,094 |
-0,094 |
0 |
0 |
0 |
|
-0,156 |
0 |
0 |
0 |
-0,094 |
0,406 |
-0,094 |
0 |
0 |
0 |
|
-0,156 |
0 |
0 |
0 |
-0,094 |
-0,094 |
0,406 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0,125 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0, 125 0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0, |
125{ |
(3.7.54)
Матрица плана (см. табл. 3.11), как обычно, написана для нормирован ных переменных, принимающих три значения: + 1, - 1 , 0. Переход от дей ствительных значений факторов к нормированным производится по форму ле (3.6.57). Уровни действительных переменных, использованных в по элементной математической модели ОЭС, задавались табл. 3.18.
В результате проведенных экспериментов был получен вектор наблю дений Y , представленный в табл. 3.19.
Расчет оценок коэффициентов по формуле (3.7.51) дает значения, при веденные в табл. 3.20 (первая строка —коэффициенты для нормированных переменных, вторая —для действительных).
Для проверки значимости коэффициентов находим остаточную сумму квадратов
S R = 2 |
Су' - у ‘ ) = ( Г - Y(FY - Y ) |
(3.7.55) |
1=1 |
|
|
с числом степеней свободы |
|
|
1 = 1 4 -1 0 = 4. |
(3.7.56) |
Оценка дисперсии ошибок наблюдений равна |
|
s2 = — |
= 0,486 • 10'2. |
(3.7.57) |
Дисперсии оценок коэффициентов пропорциональны диагональным элемен там матрицы С
s j= c i{s2. |
|
|
|
|
|
(3.7.58) |
Соответственно для каждой группы коэффициентов имеем: |
|
$о = Соs2 = 0,406 *s2 |
для свободного члена, |
|
|
|
s? = ct s2 = 0,1 *s2 |
для линейных членов, |
|
|
|
8 |
9 |
10 |
И |
12 |
13 |
14 |
0,93 |
1,06 |
0,929 |
0,873 |
0,955 |
0,975 |
1,07 |
|
|
|
|
|
Таблица 3.20 |
КР |
«о |
«1 |
«2 |
«3 |
«11 |
ai |
|
|
|
|
|
л» |
1,028 |
- 0,146 Ю ’1 0,774 - Ю '3 |
0,134 • 10 '1 |
- 0,327 • Ю"1 |
*1 |
А |
1,028 |
-0 ,0 7 3 |
0,387-10 -3 |
0,134 |
-0 ,8 1 8 |
at |
К Р |
«аз |
« 1 |
-0 ,1 1 4 |
«I |
-0 ,2 8 5 - 1 0"1 |
«3 3
-0,393-Ю - 3
-0 ,3 9 3
|
« 1 2 |
|
|
« 1 3 |
\ о 0 0 сол o' |
1 О |
о с о" |
0 0 |
о |
|
|
|
|
1 |
0,973-10- 1 1,59
s2u = c2s2 = 0,406 *s2 для квадратов, |
(3.7.59) |
- c3s2 = 0,125 • s2 для взаимодействий.
Проверка значимости производится по формуле (3.6.45)
Для уровня значимости а = 0,1 и числа степеней свободы у = 4 из табли цы распределения Стьюдента имеем tKp = 2,132. В данном случае значимы ми оказались только свободный член а0 и коэффициент а22 ♦Поэтому из менение крутизны в данном случае может быть описано более простым уравнением
Но так как план В3 не ортогональный, то коэффициенты а0 и а22 должны быть вычислены заново по тем же экспериментальным данным, но с новой матрицей/(х), имеющей вид
/(* )= ( 1 |
х 2) \ |
(3.7.61) |
Для уравнения с одной переменной план имеет вид |
|
|
- 1 |
|
Х(1) = |
+ 1 |
(3.7.62) |
|
о |
|
и содержит три опыта. Поскольку проведено 14 опытов, то добавим еще один опыт в центре плана и сгруппируем по 5 опытов. Матрица F для это-
го случая имеет вид
|
II |
1 |
Ml |
(3.7.63) |
F= |
II |
|
Mr |
|
1 oil |
|
а информационная матрица |
|
|
|
|
2 |
(3.7.64) |
|
|
|
2 |
|
|
|
|
Обратная матрица находится элементарно: |
|
С = |
|
1 |
- 1 |
(3.7.65) |
|
- 1 |
1,5 |
|
|
|
Расчет коэффициентов по формуле (3.7.51) дает следующие оценки коэф фициентов для действительных переменных:
UQ ~ 0,975, 0,2 2 = —0,019. |
|
Таким образом, изменение крутизны описывается моделью |
|
S = 1 -0 ,0 1 9 Д7 2. |
(3.7.66) |
Все вычисления проводились на ЭВМ по блок-схеме, приведенной на рис. 3.40, с использованием стандартных программ матричной алгебры.
Аналитическая модель динамического контура. Рассмотрим пример ис пользования аналитической модели для анализа динамики замкнутого контура. В качестве характеристики будем рассматривать плотность ошиб ки слежения в зависимости от времени. Эта характеристика наиболее пол но описывает поведение динамической системы в вероятностном смысле. Аналитическая модель должна быть достаточно простой, чтобы можно
Рис. 3.41. Схема аналитической модели
было получить решение в явном виде, поэтому обычно ограничиваются си стемой первого или второго порядка. Схема такой модели приведена на рис. 3.41, где U(x) - дискриминационная характеристика, описываемая следующей зависимостью:
|
пх |
при |
\х |
| < 0; |
|
к- sin — |
|
U(x) = |
|
|
(3.7.67) |
|
0 |
при |
\х |
|
\>0. |
Гиростабилизатор описывается интегрирующим звеном с передаточной функцией
1 |
(3.7.68) |
Wt ( s ) = - . |
s |
|
Дискретность поступления информации, например в телевизионных ОЭС, задается ключом Кл, формирующим мгновенные импульсы с пе риодом Т0, и фиксирующим звеном нулевого порядка с передаточной функцией
1 - е |
sT° |
(3.7.69) |
W2(s) = ------------ |
. |
s |
|
|
Внутренние шумы задаются случайным процессом £ш (f), спектр ко торого обычно много шире полосы пропускания замкнутого контура, поэтому его можно считать белым шумом. Скорость движения изображе ния задается угловой скоростью £20 •
Очень часто коэффициент усиления к зависит от уровня входного сиг нала, в этом случае амплитудные флуктуации сигнала, например за счет турбулентности атмосферы, соответствуют случайному коэффициенту усиления в контуре ОЭС. Представим коэффициент усиления в виде
к |
- к (t), |
|
|
(3.7.70) |
где к0 |
— среднее значение; k(t) |
- |
случайная составляющая. Тогда из |
(3.7.67) получим |
|
|
|
|
71Х |
ТТХ |
7ТХ |
(3.7.71) |
U(x) = [к0 - k(t)] sin— = к0 sin—---- £*(0&о sin — . |
Здесь |
£fr(0 ~ ------ — случайная |
составляющая коэффициента усиления, |
|
ко |
|
|
|
выраженная в относительных единицах. Таким образом, случайную состав ляющую коэффициента усиления можно представить в виде дополнитель ного шума, уровень которого зависит от ошибки х.
Для решения задачи о слежении в нелинейных системах с учетом нестационарности рассматриваемого явления удобен аппарат марковских про цессов, широко используемый при исследовании непрерывных систем автоматического регулирования. Однако применению этого метода для исследования импульсных систем посвящено сравнительно небольшое число работ. На основе интегро-разностных уравнений в [27] найдены
рекуррентные соотношения, |
связывающие |
плотности распределения |
вероятностей |
ошибки |
в дискретные моменты времени |
tn |
= пТ0 и |
tn +i = пТ0 |
+ Г0. Полученные результаты справедливы для нелинейных |
импульсных |
систем, |
которые |
описываются |
разностными |
уравнениями |
с аддитивными дискретными |
во времени белыми шумами |
постоянной |
интенсивности. Случайный коэффициент усиления приводит к появлению мультипликативного дискретного шума, зависящего от ошибки слежения.
Интегро-разностное уравнение для плотности распределения вероятно стей имеёт вид [27]
|
оо |
оо |
|
Д/„(*) = ---- |
f d \ |
f e i H y ~x)<I>n(Ky)fn(y)dy, |
(3.7.72) |
2 7 Г _ |
оо |
_ оо |
|
где f n(x) - плотность вероятностей случайного процесса в момент времени tn (п = 0, 1 , 2 , ...); A f n(x) — первая разность плотности случайного процесса.
Функция
Ф„(Х, х) = Ф(Х,х,пТ0) = М [е<ХЛд:" |л: ] - 1 |
(3.7.73) |
имеет смысл условной характеристической функции |
(без единицы) прира |
щения Ахп случайного процесса хп в точке tn при заданном его значении х в тот же момент времени. Уравнение (3.7.72) справедливо для любого дискретного случайного процесса, для которого существует функция Ф„(Х, х), и в общем случае определяет лишь одномерный закон распреде ления значений процесса хп в любой заданный дискретный момент времени. В частном случае марковских последовательностей уравнение (3.7.72) справедливо для переходной плотности вероятностей при заданном значении в момент времени t = 0.
Динамические свойства системы, приведенной на рис. 3.41, с учетом
(3.7.67) и (3.7.71) описываются разностным уравнением |
|
ттх |
ттх |
(3.7.74) |
Ахп = Т0к0 sin-— |
TQSIQ + £ш/1 TQ + %кп Т0 к0 sin — . |
г |
г |
|
Здесь %шп и %кп —значения шумов £ш (г) и %k(t) в дискретные моменты времени tn .
Часто спектр амплитудных флуктуаций сигнала много шире полосы про пускания системы, поэтому его также можно считать белым шумом.
В этом случае шумы %шп и %кп являются дискретными белыми шумами,
ауравнение (3.7.74) описывает дискретную во времени марковскую после довательность хп .
Используя (3.7.73) и (3.7.74) при хп =х, получаем
ФЯ(Х, х) = ехр^/\^-ГоА:о sin~y ~ |
X |
|
X м |е х р |/Х ^ шяГ0 +%кПТ0к0 s i n - ^ j j - |
1. |
(3.7.75) |
Подставив (3.7.75) в (3.7.72), приведем его к виду
fn+iW = 7 - |
f d \ f |
exp |
К |
x - Г0*0 Sin —у ■ Г0П 0) ] |
X |
2 |
71 |
_ |
|
|
|
|
X M |
|
To + hr, T0k0 sin - |
/и О М г. |
(3.7.76) |
Уравнение (3.7.76) является рекуррентным соотношением, связываю щим плотности вероятностей в моменты времени t n и t n + i . Найдем в яв ном виде значение математического ожидания М {•} . При независимых внутренних шумах и флуктуациях сигнала можно записать
Т о + %кп То
М [ ехр т шп Г0)] • м | exp (iXhn T0k0 sin ^ ^ |
(3.7.77) |
Математическое ожидание случайного процесса у при экспоненциальном преобразовании у - e kz равно [68]
где о2 —дисперсия случайного процесса z. Так как дисперсия дискретного белого шума интенсивностью С0 конечна и равна С0/Т 0,то первый сомно житель в (3.7.77) можно записать в виде
М[ехр(гЛ$ш„Г0)] = е х р ( - ± Х2Г0 С0ш) . |
(3.7.78) |
Для вычисления математического ожидания второго |
сомножителя |
найдем дисперсию выражения %knsin-^ у , считая процессы %кп и у незави
симыми. Дисперсия произведения независимых случайных процессов равна
о\ = r>{£fe„}£)jsm-^ y j + |
+ |
+ M2 | sin y^D{%kn). |
(3.7.79) |
Учитывая, что среднее значение шума %к равно нулю, получаем
о\ = D{%kn) |
М2 | sin |
у | |
+ Z>jsm^-yj j |
= |
= D{%kn}M2 Н |
|
|
|
|
|
(3.7.80) |
где М2 (•} - второй начальный момент. |
|
|
В выражении |
(3.7.76) |
у есть |
значение процесса на предыдущем шаге, |
плотность вероятности которого |
f n(y) |
известна. Поэтому второй началь |
ный момент равен |
|
|
|
|
|
|
|
оо |
|
|
|
|
|
|
|
|
М2 у = |
/ |
sin2 - y f n{y)dy, |
|
|
(3.7.81) |
—оо |
|
г* |
|
|
|
|
|
|
а математическое ожидание второго сомножителя в (3.7.77) равно |
М {•} = |
ехр |
± \ 2Т0к1мгуС0к). |
|
(3.7.82) |
Подставляя |
(3.7.78) и (3.7.82) в (3.7.76) и меняя порядок интегрирова |
ния, получаем |
|
|
|
|
|
|
|
|
|
|
| |
оо |
|
|
оо |
|
|
|
fn + iM |
= — |
f |
f n(y)dy |
f |
exp |
\ X2T0 X |
|
2 7Г |
|
|
|
|
|
|
|
X (Сош |
+ коМ2уС(м) e —i \ z d X , |
|
(3.7.83) |
где |
|
|
|
|
|
|
|
|
|
— {у - |
x |
- |
T0k0 sin — jr |
- Г0 £2о). |
(3.7.84) |
При интегрировании по X первый сомножитель в подынтегральном выра жении (3.7.83) можно рассматривать как характеристическую функцию
нормального процесса z с нулевым математическим ожиданием и диспер сией Го (С0ш + JCQМ2 у Со^ ), а процедуру вычисления интеграла —как на хождение плотности вероятностей процесса z, которая при подобной интерпретации подынтегрального выражения также будет нормальной [27]. Окончательно получим
|
____________ 1____________ |
|
fn+iO ) |
|
|
X |
|
|
\J 2 7Г (С*ош |
^0 М 2 у Q)fc) Го |
|
|
( j> |
- |
* - |
г 0 /с0 sin — .у - T0£l0f |
|
/ |
ехр |
|
|
Р |
(3.7.85) |
|
|
f n(y)dy, |
|
2 |
Т0(С0ш + ко М 2 у CQк) |
|
где М2>, |
определяется |
из |
(3.7.81). |
|
Выражение (3.7.85) |
позволяет при известном начальном распределении |
/о (х) вычислять последовательно плотности распределения ошибки слеже ния для моментов времени tn. Обычно начальное распределение опреде ляется ошибкой передачи координат и может считаться нормальным с нулевым средним и дисперсией о2.
По формуле (3.7.85) на ЭВМ рассчитано изменение плотности ошибки слежения во времени при нормальном начальном распределении. Результаты расчетов приведены на рис. 3.42.
В первые моменты времени система быстро отрабатывает начальную ошибку, но в дальнейшем стационарное распределение не устанавливается, что обусловлено конечностью апертуры р дискриминационной характе ристики U(х). При малых уровнях шумов плотность распределения ошиб ки близка к стационарной, при больших шумах происходит срью слежения. Влияние начальной ошибки мало сказывается на вероятность слежения, если ее величина не превосходит 0/2 .
Таким образом, последовательное применение математических моделей различных уровней иерархии позволяет на разных этапах проектирования получить исчерпывающую информацию о работе оптико-электронной системы.
ПОСЛЕСЛОВИЕ
С появлением возможностей математического моделирования сложных динамических систем неизмеримо расширился круг решаемых задач. В самих методах аналитических исследований также произошли изменения: здесь стали играть заметную роль новые методы вычислительной матема тики, появилась теория программирования, алгоритмических языков и т.п. Многие аналитические методы под влиянием ’’машинной эйфории” оказались отодвинутыми на второй план. Но вскоре выяснилось, что многие теоретические и прикладные задачи не поддаются прямому реше нию с помощью ЭВМ. Некоторые примеры таких задач приводятся в главе 2 монографии. Среди них в первую очередь следует отметить асимптотичес кие методы, позволившие разбить возможные периодические режимы ОЭСС на непересекающиеся классы. Наиболее плодотворные результаты получаются при совместном использовании аналитических и численных ме тодов, причем численному решению задач обычно предшествует их качест венный анализ.
При идентификации математических моделей ОЭСС по данным натур ных испытаний возникает проблема поиска глобального экстремума в пространстве параметров со сложной топологией. Без рационального анали тического подхода прямое применение известных алгоритмов поиска экстремума не приводит к положительному результату.
Читатель, ориентирующийся в современных методах обработки изобра жений, быть может, ощутит некоторую неудовлетворенность, не найдя в первых двух главах сведений об аппаратурной реализации дискретных преобразований, без которых трудно представить современные и перспек тивные ОЭСС, содержащие цифровые устройства. Это недостаток частично восполняется в главе 3. Кроме того, появилась обширная литература, по священная этому вопросу. Здесь можно упомянуть монографии А. Розенфельда, У. Прэтта, Л.П. Ярославского, Г.И. Василенко, Т. Хуанга и др.
Необходимо иметь в виду, что функции измерителей многомерного сдвига изображений состоят в том, чтобы извлекать из сигналов с большим числом степеней свободы информацию о составляющих сдвига по малому числу компонент. Благодаря такой узкой специализации, в системах техни ческого зрения, не производящих визуализацию сопровождаемого сюжета, требования к составу операторов фильтрации оказываются совсем иными, чем в системах, обеспечивающих наилучшее воспроизведение деталей изображения для их кодирования или распознавания несмотря на иска-
жающие факторы. Указанное обстоятельство не всегда улавливается раз работчиками, которые вместо измерения сдвигов принимаются решать более сложную задачу наилучшего воспроизведения и совмещения деталей двух изображений.
Не вдаваясь в далеко уводящие подробности, заметим, что продуктив ным способом реализации преобразований, предусмотренных обобщенным алгоритмом дискриминатора сдвигов, является фильтрация двумерных сигналов в пространстве спектров. При разумном выборе ядра двумерного (не обязательно унитарного) преобразования дискретизованных изображе ний, которые в дальнейшем не восстанавливаются, удается достичь значи тельной экономии как в числе воспроизводимых коэффициентов разложе ния, так и в алгоритмах окончательного расчета нормированных оценок сдвига. Общий выигрыш в аппаратурных и вычислительных затратах осо бенно заметен, если обрабатываются не исходные изображения, а лишь их яркостные срезы, т.е. их морфологические аналоги.